Using Automated Algorithm Configuration for Parameter Control

要約

動的アルゴリズム構成 (DAC) は、データ駆動型の方法でアルゴリズムのパラメーターを制御するポリシーを自動的に学習する方法という問題に取り組みます。
この問題は近年、進化論界から大きな注目を集めています。
したがって、DAC のさまざまなソリューション手法の有効性と制限について構造的な理解を得るために、優れたベンチマーク コレクションを用意することが強く望まれます。
よく理解された理論的特性とグラウンド トゥルース情報を備えた DAC ベンチマークを提案する最近の研究に続き、この研究では、新しい DAC ベンチマークとして $(1+(\lambda,\) の主要なパラメータ $\lambda$ の制御を提案します。
lambda))$~OneMax の問題を解決するための遺伝的アルゴリズム。
私たちは、ベンチマーク上で (静的) 自動アルゴリズム構成を使用して DAC 問題を解決する方法に関する研究を実施し、このアプローチのパフォーマンスを大幅に向上させる手法を提案します。
私たちのアプローチは、十分に大きな問題サイズに対する以前の理論的研究から導き出されたベンチマークのデフォルトのパラメーター制御ポリシーを一貫して上回ることができます。
また、パラメーター制御検索ポリシーの状況に関する新しい発見を提示し、真の最適なポリシーの数値近似を通じてベンチマークのより強力なベースラインを計算する方法を提案します。

要約(オリジナル)

Dynamic Algorithm Configuration (DAC) tackles the question of how to automatically learn policies to control parameters of algorithms in a data-driven fashion. This question has received considerable attention from the evolutionary community in recent years. Having a good benchmark collection to gain structural understanding on the effectiveness and limitations of different solution methods for DAC is therefore strongly desirable. Following recent work on proposing DAC benchmarks with well-understood theoretical properties and ground truth information, in this work, we suggest as a new DAC benchmark the controlling of the key parameter $\lambda$ in the $(1+(\lambda,\lambda))$~Genetic Algorithm for solving OneMax problems. We conduct a study on how to solve the DAC problem via the use of (static) automated algorithm configuration on the benchmark, and propose techniques to significantly improve the performance of the approach. Our approach is able to consistently outperform the default parameter control policy of the benchmark derived from previous theoretical work on sufficiently large problem sizes. We also present new findings on the landscape of the parameter-control search policies and propose methods to compute stronger baselines for the benchmark via numerical approximations of the true optimal policies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google